【圖像分類探析綜述1700字】

圖像分類分析綜述目錄TOC\o"1-2"\h\u12312圖像分類分析綜述 1284391.1傳統(tǒng)圖像分類算法 1132561.2卷積神經(jīng)網(wǎng)絡圖像分類 2190344.產(chǎn)生分類器，進行預測識別 2234632.3小樣本數(shù)據(jù)集微調(diào) 2245492.3.1正則化 2177112.3.2拓展數(shù)據(jù)集 3圖像分類的任務就是對于給定的一個圖像，通過運算能夠正確得到該圖像所屬的類別。對于強大的人類視覺系統(tǒng)來說，通過人眼接收到圖像，判別出一個圖像的所屬類別是件很簡單的事，只需根據(jù)這個圖像所具有的特點即可進行相對準確判斷；但是對于計算機來說，計算機對于輸入的圖像得到的是圖像中每個像素的具體數(shù)值，這些數(shù)值并不能為計算機提供便于后續(xù)分類運算操作的有效語義信息。以一個RGB圖像為例，假設(shè)圖像的尺寸是32*32，那么計算機接收到的就是一個形狀為3*32*32的高維矩陣，或者更正式將該矩陣命名為“張量”（“張量”簡單來說就是高維的矩陣），故計算機進行圖像分類任務其實是尋找一個函數(shù)關(guān)系，通過這個函數(shù)關(guān)系能夠?qū)⑦@些像素的數(shù)值映射到某一個具體的類別（類別可以用某個具體數(shù)值表示）[9]。1.1傳統(tǒng)圖像分類算法通常完整建立圖像識別模型一般包括底層特征提取、特征編碼、空間特征約束、分類器設(shè)計、模型融合等幾個階段。1.底層特征提?。簭膱D像中按照固定步長和尺度提取大量局部特征，一般也采用多種特征描述，防止丟失過多的有用信息。2.特征編碼：提取到的底層特征中一般都包含了大量冗余與噪聲，為了提高特征表達的魯棒性，需要一種特征變換算法完成對底層特征的編碼，該算法稱作特征編碼。3.空間特征約束：進行特征編碼之后一般會經(jīng)歷空間特征約束過程，也稱作特征匯聚。特征匯聚是指在一個空間區(qū)域范圍內(nèi)，每一維特征取最大值或平均值，獲得一定特征不變形的特征表達。4.通過分類器分類：經(jīng)過上述步驟之后可以使用一個固定維度的向量描述輸入圖像，后通過分類器針對所提取的特征對圖像進行分類。1.2卷積神經(jīng)網(wǎng)絡圖像分類基于深度學習的圖像分類，選定某一基礎(chǔ)神經(jīng)網(wǎng)絡作為基礎(chǔ)分類神經(jīng)網(wǎng)絡，將基礎(chǔ)圖像數(shù)據(jù)集分為訓練集和測試集，用訓練集對神經(jīng)網(wǎng)絡進行遷移學習（將神經(jīng)網(wǎng)絡當作分類器），當訓練達到滿意效果后用測試集測試該網(wǎng)絡模型的分類效果，最后調(diào)用遷移學習完成的模型得到圖像分類結(jié)果[10]。CNN網(wǎng)絡主要特點是使用卷積層模擬人的視覺神經(jīng)通過卷積運算進行特征提取，使單個神經(jīng)元只對某種特定的圖像特征做出響應，比如圖像橫向或者縱向的邊緣，單個神經(jīng)元本身非常簡單，但是將這些簡單的單體神經(jīng)元構(gòu)筑成一個完整層次結(jié)構(gòu)，在層數(shù)疊加足夠多后，就可以獲取足夠豐富的特征，特征越豐富，后續(xù)預測分類效果越好。卷積層初步提取特征：通過將卷積核大小不斷進行修改，以此確定使得初步表征圖片特征的有用的卷積核是哪些，再得到與相應的卷積核相乘后的輸出矩陣。池化層提取主要特征：對卷積層輸出的特征向量進行降維操作，只保留最有用的圖片信息，減少噪聲的傳遞。全連接層將各部分特征匯總：重新切割池化層輸出的張量使其成為一些向量，與權(quán)重矩陣相乘，加上偏置值，然后對其使用RELU激活函數(shù)，用梯度下降法優(yōu)化參數(shù)。產(chǎn)生分類器，進行預測識別2.3小樣本數(shù)據(jù)集微調(diào)在課題實際操作過程中，數(shù)據(jù)集過小會導致模型過擬合，而大型數(shù)據(jù)集的收集也存在操作難度，如何提高小樣本數(shù)據(jù)的泛化能力減少模型過擬合就成為一個網(wǎng)絡模型遷移學習中重要問題。在遷移學習中通過微調(diào)方法改變小樣本數(shù)據(jù)集能夠較好解決小樣本數(shù)據(jù)集過擬合問題，使模型具有更好的分類預測結(jié)果。以下為常用機器學習提高泛化能力方法[11]。2.3.1正則化在卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡層對權(quán)重、偏置向量或是輸出加入正則化項進行優(yōu)化，這些項目和損失函數(shù)共同作為神經(jīng)網(wǎng)絡的最終優(yōu)化目標，能夠減少因數(shù)據(jù)集過小導致的過擬合現(xiàn)象?；蛘呖梢栽诰矸e神經(jīng)網(wǎng)絡中加入Dropout項/層，在模型訓練時隨機暫停工作網(wǎng)絡模型某些隱含層神經(jīng)元的權(quán)重，并暫時將其暫停工作的節(jié)點從網(wǎng)絡結(jié)構(gòu)中取出，認為暫時不屬于該網(wǎng)絡結(jié)構(gòu)，但保留節(jié)點對應權(quán)重。通常情況下，通過調(diào)整Dropout項可有效減少過擬合的影響。2.3.2拓展數(shù)據(jù)集小樣本數(shù)據(jù)在模型的應用中為得到較好分度精度，可使用數(shù)據(jù)增強方法對待檢測圖像進行處理，如：旋轉(zhuǎn)，將圖像隨機旋轉(zhuǎn)一定角度，改變圖像內(nèi)容的朝向；翻轉(zhuǎn)變換，沿水平或垂直對圖像進行翻轉(zhuǎn)；縮放變換，按一定比例放大或縮小圖像；平移變換，對圖像